論文の概要: Spectral Neuro-Symbolic Reasoning II: Semantic Node Merging, Entailment Filtering, and Knowledge Graph Alignment

• arxiv url: http://arxiv.org/abs/2511.10655v1
• Date: Sun, 02 Nov 2025 21:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.227823
• Title: Spectral Neuro-Symbolic Reasoning II: Semantic Node Merging, Entailment Filtering, and Knowledge Graph Alignment
• Title（参考訳）: スペクトルニューロシンボリック推論II:セマンティックノードマージ、エンテーメントフィルタリング、知識グラフアライメント
• Authors: Andrew Kiruluta, Priscilla Burity,
• Abstract要約: 本報告は,3つの意味的基盤的拡張を導入することにより,スペクトラルニューロシンボリック推論(Spectral Neuro-Symbolic Reasoning, Spectral NSR)フレームワークを拡張した。 その斬新さは、スペクトル推論段階の上流で意味論と象徴的な洗練を行うことである。 その結果は、より堅牢で、解釈可能で、スケーラブルな推論システムで、オープンドメインと現実世界の環境でのデプロイメントに適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This report extends the Spectral Neuro-Symbolic Reasoning (Spectral NSR) framework by introducing three semantically grounded enhancements: (1) transformer-based node merging using contextual embeddings (e.g., Sentence-BERT, SimCSE) to reduce redundancy, (2) sentence-level entailment validation with pretrained NLI classifiers (e.g., RoBERTa, DeBERTa) to improve edge quality, and (3) alignment with external knowledge graphs (e.g., ConceptNet, Wikidata) to augment missing context. These modifications enhance graph fidelity while preserving the core spectral reasoning pipeline. Experimental results on ProofWriter, EntailmentBank, and CLUTRR benchmarks show consistent accuracy gains (up to +3.8\%), improved generalization to adversarial cases, and reduced inference noise. The novelty lies in performing semantic and symbolic refinement entirely upstream of the spectral inference stage, enabling efficient, interpretable, and scalable reasoning without relying on quadratic attention mechanisms. In summary, this work extends the Spectral NSR framework with modular, semantically grounded preprocessing steps that improve graph quality without altering the core spectral reasoning engine. The result is a more robust, interpretable, and scalable reasoning system suitable for deployment in open-domain and real-world settings.
• Abstract（参考訳）: 本報告では,(1)コンテキスト埋め込み(例えば,Sentence-BERT,SimCSE)を用いた変換ノードマージによる冗長性の低減,(2)事前訓練されたNLI分類器(例えば,RoBERTa,DeBERTa)による文レベルの追加検証によるエッジ品質の向上,(3)外部知識グラフ(例えば,ConceptNet,Wikidata)とのアライメント,という3つの意味論的基盤強化を導入して,スペクトルニューロシンボリック推論(Spectral NSR)フレームワークを拡張した。 これらの修正は、コアスペクトル推論パイプラインを保持しながらグラフの忠実性を高める。 ProofWriter, EntailmentBank, および CLUTRR ベンチマークの実験的結果は、一貫した精度向上(+3.8\%)、敵のケースへの一般化の改善、推論ノイズの低減を示している。 この斬新さは、スペクトル推論段階の完全に上流で意味的および記号的洗練を行い、二次的な注意機構に頼ることなく、効率的で解釈可能でスケーラブルな推論を可能にすることである。 要約すると、この研究はSpectral NSRフレームワークを拡張し、コアスペクトル推論エンジンを変更することなく、グラフ品質を改善するモジュール式でセマンティックに基礎付けられた前処理ステップを組み込む。 その結果は、より堅牢で、解釈可能で、スケーラブルな推論システムで、オープンドメインと現実世界の環境でのデプロイメントに適している。

関連論文リスト

• From Eigenmodes to Proofs: Integrating Graph Spectral Operators with Symbolic Interpretable Reasoning [0.0]
  完全スペクトル型ニューロシンボリック推論フレームワークであるSpectral NSRを紹介する。 論理ルールをスペクトルテンプレートとして組み込み、グラフスペクトル領域で直接推論を行う。 スペクトルNSRは, 高い精度, 高速な推測, 対向摂動に対する頑健性の向上, 先行するベースラインと比較して高い解釈性を実現している。
  論文  参考訳（メタデータ） (2025-09-07T01:12:20Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Adaptive Branch Specialization in Spectral-Spatial Graph Neural Networks for Certified Robustness [3.2771631221674333]
  本稿では,グラフニューラルネットワーク(GNN)の各分岐を明示的に専門化する。 スペクトルネットワークは、l0エッジの摂動に耐え、ホモフィル構造を捉えるように訓練され、空間部分はリンフ摂動とヘテロフィルパターンに抵抗するように設計されている。 文脈対応ゲーティングネットワークは2つの表現を適応的に融合させ、各ノードのノードをより信頼性の高い分岐に動的にルーティングする。
  論文  参考訳（メタデータ） (2025-05-13T08:00:16Z)
• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Balancing Graph Embedding Smoothness in Self-Supervised Learning via Information-Theoretic Decomposition [3.330229314824913]
  グラフにおける自己教師付き学習(SSL)は特に、プリテキストタスクを備えたグラフニューラルネットワーク(GNN)の利用において大きな注目を集めている。 既存の手法では,グラフ埋め込みスムーズ性によって駆動されるスペクトルの両端の位置を,各端が特定の下流タスクのアウトパフォーマンスに対応していることを示す。 フレームワークであるBSGは、グラフベースのSSLの表現品質を補うために設計された新しい損失関数を導入した。
  論文  参考訳（メタデータ） (2025-04-16T12:09:56Z)
• AS-GCL: Asymmetric Spectral Augmentation on Graph Contrastive Learning [25.07818336162072]
  グラフ・コントラシブ・ラーニング(GCL)は,グラフ構造化データの自己教師型学習における最前線として登場した。 グラフのコントラスト学習に非対称スペクトル拡張を取り入れたAS-GCLという新しいパラダイムを提案する。 提案手法は各コンポーネントに大幅な拡張をもたらす。
  論文  参考訳（メタデータ） (2025-02-19T08:22:57Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Let Invariant Rationale Discovery Inspire Graph Contrastive Learning [98.10268114789775]
  ハイパフォーマンスな拡張は、インスタンス識別に関するアンカーグラフの健全な意味を保存すべきである。 新たなフレームワーク Rationale-aware Graph Contrastive Learning (RGCL) を提案する。 RGCLは有理数生成器を使用して、グラフのインスタンス識別に関する健全な特徴を論理として明らかにし、対照的な学習のための有理数認識ビューを生成する。
  論文  参考訳（メタデータ） (2022-06-16T01:28:40Z)
• Convolutional Spectral Kernel Learning [21.595130250234646]
  逆フーリエ変換に基づく解釈可能な畳み込みスペクトルカーネルネットワーク(textttCSKN)を構築する。 一般化誤差境界を導出し、性能を改善するために2つの正規化器を導入する。 実世界のデータセットを用いた実験は、学習フレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2020-02-28T14:35:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。